CN113962264B 一种基于深度学习的航空发动机转子系统故障诊断方法 （南京航空航天大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN113962264B(45)授权公告日2025.07.04

(21)申请号202111237432.0

(22)申请日2021.10.22

(65)同一申请的已公布的文献号申请公布号CN113962264A

(43)申请公布日2022.01.21

(73)专利权人南京航空航天大学

地址211106江苏省南京市江宁区将军大

道29号南京航空航天大学将军路校区自动化学院

(72)发明人杨蒲耿慧琳柳鹏

(51)Int.CI.

GO6F18/2431(2023.01)

GO6N3/045(2023.01)

GO6N3/0464(2023.01)

GO6N3/084(2023.01)

G01M13/045(2019.01)

GO6F18/2415(2023.01)

GO6F18/214(2023.01)

GO6F18/10(2023.01)

(56)对比文件

PuYang等.AnIntelligentQuadrotorFaultDiagnosisMethodBasedonNovel

DeepResidualShrinkageNetwork.《

AdvancesinDeepLearningforDronesandItsApplications)》.2021,第1-16页.

审查员毛冉

权利要求书1页说明书5页附图3页

(54)发明名称

一种基于深度学习的航空发动机转子系统故障诊断方法

(57)摘要

CN113962264B本发明公开了一种基于深度学习的航空发动机转子系统故障诊断算法，考虑航空发动机转子系的振动信号微弱，样本采集困难的问题，设计了一种基于深度学习的航空发动机转子系统的故障诊断算法，首先，使用滑动窗口算法对原始数据进行重复采样，构建故障样本集；然后，建立新型深度残差收缩网络进行特征提取，并将首层卷积层设为宽卷积核，使用渐进半软阈值函数算法作为网络的收缩层；最后，通过全连接层和Softmax分类器，输出故障分类结果。本发明将航空发动机轴承的原始振动信号数据作为输入，自

CN113962264B

开始

开始

滚动轴承原始振动信号

数据增强

随机划分样本集

训练集测试集

设计初始参数值

计算损失函数

使用反向传播算法调整模型权重和偏差

否是否满足

迭代终止条件?

是

训练完成的网络模型

输出诊断结果

结束

CN113962264B权利要求书1/1页

2

1.一种基于深度学习的航空发动机转子系统故障诊断方法，包括如下具体步骤：

步骤1)通过振动信号数据采集系统，采集不同故障下的航空发动机滚动轴承加速度振动信号，构造原始振动信号样本；

步骤2)采样滑动窗口对原始数据样本进行重叠采样：

(1)

其中，n为重叠采样后的样本数量，Lra为原始数据长度，Lsampne为单个样本长度，即窗口宽度，P为滑动窗口的移动步长，即采样间隔；

经重叠采样后的数据为Data=[(x?,y1),…,(x:,y;),…,(x?,y)],Data是经分段处理后的数据集，x:是单个振动信号样本数据，每个样本包含1024条采样点数，y,是样本数据的故障类别标签；

步骤3)对数据进行归一化处理，实现数据维度的统一：

(2)

其中，xmx和xmn分别为中的最小值和最大值，x′为经过归一化后的样本；

步骤4)将归一化后得到的样本进行随机划分，70%的数据作为训练集，30%的数据作为测试集；

步骤5)设置Pytorch下的新型深度残差收缩网络故障诊断模型，并使用训练集进行故障诊断模型的训练，该网络使用Adam优化算法，由首层宽卷积层和数个残差收缩模块以及全连接层、Softmax分类器组成，最后通过Softmax分类器输出故障分类结果，具体步骤如

下：

步骤5.1)输入样本经过第一个卷积层后，通过ReLU激活函数进入到第二个卷积层中，第二个卷积层构造了一个获取噪声阈值的子结构；

步骤5.2)在该子结构中，先对输入进行取绝对值、全局平均池化处理后得到均值参数，接着经过两个